初学神经网络算法--梯度下降、反向传播、优化(交叉熵代价函数、L2规范化) 柔性最大值(softmax)还未领会其要义,之后再说
有点懒,暂时不想把算法重新总结,先贴一个之前做过的反向传播的总结ppt
其实python更好实现些,不过我想好好学matlab,就用matlab写了
然后是算法源码,第一个啰嗦些,不过可以帮助理解算法
function bpback1(ny,eta,mini_size,epoch)
%ny:隐藏层为1层,神经元数目为ny;eta:学习速率;mini_size:最小采样;eopch:迭代次数
%该函数为梯度下降+反向传播
%images
[numimages,images]=bpimages('train-images.idx3-ubyte');
[n_test,test_data_x]=bpimages('t10k-images.idx3-ubyte');
%labels
[numlabels,labels]=bplabels('train-labels.idx1-ubyte');
[n_test,test_data_y]=bplabels('t10k-labels.idx1-ubyte');
%init w/b
%rand('state',sum(100*clock));
%ny=30;eta=0.01;mini_size=10;
w1=randn(ny,784);
b1=randn(ny,1);
w2=randn(10,ny);
b2=randn(10,1);
for epo=1:epoch
for nums=1:numimages/mini_size
for num=(nums-1)*mini_size+1:nums*mini_size
x=images(:,num);
y=labels(:,num);
net2=w1*x; %input of net2
for i=1:ny
hidden(i)=1/(1+exp(-net2(i)-b1(i)));%output of net2
end
net3=w2*hidden'; %input of net3
for i=1:10
o(i)=1/(1+exp(-net3(i)-b2(i)));%output of net3
end
%back
for i=1:10
delta3(i)=(y(i)-o(i))*o(i)*(1-o(i));%delta of net3
end
for i=1:ny
delta2(i)=delta3*w2(:,i)*hidden(i)*(1-hidden(i));%delta of net2
end
%updata w/b
for i=1:10
for j=1:ny
w2(i,j)=w2(i,j)+eta*delta3(i)*hidden(j)/mini_size;
end
end
for i=1:ny
for j=1:784
w1(i,j)=w1(i,j)+eta*delta2(i)*x(j)/mini_size;
end
end
for i=1:10
b2(i)=b2(i)+eta*delta3(i);
end
for i=1:ny
b1(i)=b1(i)+eta*delta2(i);
end
end
end
%calculate sum of error
%accuracy
sum0=0;
for i=1:1000
x0=test_data_x(:,i);
y0=test_data_y(:,i);
a1=[];
a2=[];
s1=w1*x0;
for j=1:ny
a1(j)=1/(1+exp(-s1(j)-b1(j)));
end
s2=w2*a1';
for j=1:10
a2(j)=1/(1+exp(-s2(j)-b2(j)));
end
a2=a2';
[m1,n1]=max(a2);
[m2,n2]=max(y0);
if n1==n2
sum0=sum0+1;
end
%e=o'-y;
%sigma(num)=e'*e;
sigma(i)=sumsqr(a2-y0); %代价为误差平方和
end
sigmas(epo)=sum(sigma)/(2*1000);
fprintf('epoch %d:%d/%d\n',epo,sum0,1000);
end
plot(sigmas);
xlabel('epoch');
ylabel('cost on the training_data');
end
function bpback2(ny,eta,mini_size,epoch,numda)
%ny:隐藏层为1层,神经元数目为ny;eta:学习速率;mini_size:最小采样;eopch:迭代次数
%bpback的优化,包括L2规范化、交叉熵代价函数的引入---结果证明该优化非常赞!
%images
[numimages,images]=bpimages('train-images.idx3-ubyte');
[n_test,test_data_x]=bpimages('t10k-images.idx3-ubyte');
%labels
[numlabels,labels]=bplabels('train-labels.idx1-ubyte');
[n_test,test_data_y]=bplabels('t10k-labels.idx1-ubyte');
%init w/b
%ny=30;eta=0.05;mini_size=10;epoch=10;numda=0.1;
rand('state',sum(100*clock));
w1=randn(ny,784)/sqrt(784);
b1=randn(ny,1);
w2=randn(10,ny)/sqrt(ny);
b2=randn(10,1);
for epo=1:epoch
for nums=1:numimages/mini_size
for num=(nums-1)*mini_size+1:nums*mini_size
x=images(:,num);
y=labels(:,num);
net2=w1*x; %input of net2
hidden=1./(1+exp(-net2-b1));%output of net2
net3=w2*hidden; %input of net3
o=1./(1+exp(-net3-b2));%output of net3
%back
delta3=(y-o);%delta of net3 由于交叉熵代价函数的引入,偏导被消去
delta2=w2'*delta3.*(hidden.*(1-hidden));%delta of net2
%updata w/b
w2=w2*(1-eta*numda/numimages)+eta*delta3*hidden'/mini_size; %L2规范化
w1=w1*(1-eta*numda/numimages)+eta*delta2*x'/mini_size;
b2=b2+eta*delta3/mini_size;
b1=b1+eta*delta2/mini_size;
end
end
%calculate sum of error
%accuracy
sum0=0;
for i=1:1000
x0=test_data_x(:,i);
y0=test_data_y(:,i);
a1=[];
a2=[];
a1=1./(1+exp(-w1*x0-b1));
a2=1./(1+exp(-w2*a1-b2));
[m1,n1]=max(a2);
[m2,n2]=max(y0);
if n1==n2
sum0=sum0+1;
end
%e=o'-y;
%sigma(num)=e'*e;
sigma(i)=m2*log(m1)+(1-m2)*log(1-m1); %计算代价cost
end
sigmas(epo)=-sum(sigma)/1000; %cost求和
fprintf('epoch %d:%d/%d\n',epo,sum0,1000);
end
plot(sigmas);
xlabel('epoch');
ylabel('cost on the training_data');
end
好好学习,天天向上,话说都没有表情用,果然是程序猿的世界,我还是贴个表情吧
【Win 10 应用开发】手写识别
记得前面(忘了是哪天写的,反正是前些天,请用力点击这里观看)老周讲了一个14393新增的控件,可以很轻松地结合InkCanvas来完成涂鸦.其实,InkCanvas除了涂鸦外,另一个大用途是墨迹识别, ...
JS / Egret 单笔手写识别、手势识别
UnistrokeRecognizer 单笔手写识别.手势识别 UnistrokeRecognizer : https://github.com/RichLiu1023/UnistrokeRecogn ...
(手写识别) Zinnia库及其实现方法研究
Zinnia库及其实现方法研究 (转) zinnia是一个开源的手写识别库.采用C++实现.具有手写识别,学习以及文字模型数据制作转换等功能. 项目地址 [http://zinnia.sourcefo ...
android 开源 OCR 项目 及手写识别
http://blog.csdn.net/archfree/article/details/6023676 1)一个为Android平台,将识别由手机的相机拍摄的图像文本应用程序. http://co ...
TensorFlow 入门之手写识别(MNIST) softmax算法
TensorFlow 入门之手写识别(MNIST) softmax算法 MNIST flyu6 softmax回归 softmax回归算法 TensorFlow实现softmax softmax回归算 ...
机器学习实战kNN之手写识别
kNN算法算是机器学习入门级绝佳的素材.书上是这样诠释的:“存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都有标签,即我们知道样本集中每一条数据与所属分类的对应关系.输入没有标签的新数据 ...
tensorflow笔记(四)之MNIST手写识别系列一
tensorflow笔记(四)之MNIST手写识别系列一 版权声明:本文为博主原创文章,转载请指明转载地址 http://www.cnblogs.com/fydeblog/p/7436310.html ...
tensorflow笔记(五)之MNIST手写识别系列二
tensorflow笔记(五)之MNIST手写识别系列二 版权声明:本文为博主原创文章,转载请指明转载地址 http://www.cnblogs.com/fydeblog/p/7455233.html ...
10分钟搞懂Tensorflow 逻辑回归实现手写识别
1. Tensorflow 逻辑回归实现手写识别 1.1. 逻辑回归原理 1.1.1. 逻辑回归 1.1.2. 损失函数 1.2. 实例:手写识别系统 1.1. 逻辑回归原理 1.1.1. 逻辑回归 ...
随机推荐
NSOperation的start与main,并发与非并发。
http://blog.csdn.net/a2331046/article/details/52294006 在ios4以前,只有非并发的情况下,队列会为operation开启一个线程来执行.如果是并 ...
.net该的帐
1.web api 2.socket通信 3.NUnit单元测试 4.了解自动化测试各种工具
【转载】Android使用Application总结
Application 配置全局Context 第一步.写一个全局的单例模式的MyApplication继承自Application 覆盖onCreate ,在这个方法里面实例化Application ...
Win7访问局域网内共享文件夹
\\192.168.1.102\\IP地址
vj1010:高精乘+细心模拟
这题的话思路挺简单的,主要是打一个高精乘,然后考虑一些细节的东西 码得挺少时间的,但是调错调了很久... 讲一下思路吧: 就是读入的时候,先把小数点去掉,mark一下小数点的位置 去掉小数点之后也就进 ...
dedecms在任意页面调用任意栏目文章
dedecms在任意页面调用任意栏目文章,我们用arclist标签即可实现.如果是调用多个栏目文章可以给typeid多个值. 我们以调用ID为1和ID为30的两个栏目下5篇文章为例: {dede:ar ...
C++ bitset 常用函数及运算符
C++ bitset--高端压位卡常题必备STL 以下内容翻译自cplusplus.com,极大地锻炼了我的英语能力. bitset存储二进制数位. bitset就像一个bool类型的数组一样,但是有 ...
再测简单的JSP---JSP和Serlet的关系
中第3章 末尾:, 创建一个web动态项目SqlServerTest,创建一个JSP文件index.jsp ,启动服务器 浏览器输入 http://l ...
CS229 6.14 Neurons Networks Restricted Boltzmann Machines
1.RBM简介 受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)最早由hinton提出,是一种无监督学习方法,即对于给定数据,找到最大程度拟合这组数据的参数.RBM ...
C#可扩展数组转变为String[]数组
简单备忘: 由于需要将数据最终以逗号隔开来拼接,因而写了下面的处理方法. public void GetJoinString() { ArrayList arr = new ArrayList(); ...